关键词： 目标检测   YOLOv9s   轻量级   注意力机制  

摘要： 针对复杂场景下受电弓弓角检测存在的实时性差及车载部署困难等问题,以YOLOv9s为基础,使用轻量化卷积GhostConv替代传统Conv,设计ORPEA-RepN4模块改进特征提取模块,并在其后添加CBAM模块增加检测能力。实验结果表明:与YOLOv9s相比,本文提出的模型对受电弓弓角检测的参数量降低了32.8%,弓角损坏的检测准确率提高了2.3个百分点,提升了弓角检测性能,满足边缘设备部署以及检测需求。

关键词： 交通运输规划与管理   公交客流   深度学习   目标检测   计算机视觉   边缘部署  

摘要： 针对公交客流检测因忽略边缘计算而导致的数据处理延迟和准确性问题,基于“云-边-端协同架构”提出一种实时且轻量级的公交客流检测算法BPF-DETR.首先,采用RT-DETR-r18作为基线算法来提高实时处理能力;然后,引入轻量级iRMB模块更新ResNet-18作为特征提取主干,通过倒置残差结构充分学习乘客目标的长距离特征交互以及小目标的局部特征交互,在提高轻量性和精度的同时增强算法的边缘适用性;接着,引入ASF架构中的SSFF模块和TFE模块构建多尺度特征融合模块MSFM,以进一步提升所提出算法在多尺度和复杂环境下的检测精度;最后,为了验证所提出算法的有效性,采用基于ROI的图像拼接方法,以提高数据集的代表性和多样性,构建公交客流监控数据集进行训练验证.实验结果表明,BPF-DETR的mAP@0.5为96.4%,模型大小为32.6 MB,均优于目前主流的YOLO系列模型,相较于基线算法,mAP@0.5提升了1.1%,模型大小下降了16%,能够满足公交客流检测准确率以及边缘部署轻量化要求.

关键词： 对抗样本生成   跟踪器攻击   多谱段   对抗补丁   目标跟踪  

摘要： 当前面向跟踪器的对抗样本生成研究主要集中于可见光谱段,无法在多谱段条件下实现对跟踪器的有效攻击。为了填补这一空缺,该文提出一种基于多谱段的目标跟踪补丁式对抗样本生成网络,有效提升了对抗样本在多谱段条件下的攻击有效性。具体来说,该网络包含对抗纹理生成模块与对抗形状优化策略,对可见光谱段下跟踪器对目标纹理的理解进行语义干扰,并显著破坏对热显著目标相关特征的提取。此外,根据不同跟踪器的特点设计误回归损失和掩膜干扰损失对多谱段跟踪模型补丁式对抗样本生成提供指引,实现跟踪预测框扩大或者脱离目标的效果,引入最大特征差异损失削弱特征空间中模版帧和搜索帧间的相关性,进而实现对跟踪器的有效攻击。定性和定量实验证明该文对抗样本可以有效提升多谱段环境下对跟踪器的攻击成功率。

关键词： 手术器械   深度学习   目标检测   YOLOv5   EVCBlock模块  

摘要： 针对手术器械识别在实际应用场景中常见的排列紧密和相互遮挡而导致检测准确率低和漏检率增加的问题,提出了一种改进的YOLOv5目标检测算法,在颈部网络中采用EVCBlock模块以增强对模型的感受野,提高了模型对排列密集器械目标识别漏检的能力,使用特征提取模块C3Faster替换原模型中的C3模块,进一步增强模型的特征信息提取能力,同时降低模型参数量和复杂度,提升了对手术器械的检测精度和速度。引入WIoUv3替换传统的CIoU损失函数,显著提升了模型收敛速度和边界框回归的精度。实验结果表明:相比原始YOLOv5模型,改进算法的mAP@0.5提高了8.2%,参数量和计算量分别减少了9%、11.2%。

关键词： 大闸蟹   旋转目标检测   双目视觉   质量估算   极端梯度提升树  

摘要： 准确估算大闸蟹质量对于大闸蟹生长状况监测、养殖密度控制、投饵量确定和产量预测等具有重要作用。现有大闸蟹质量估算方法通常使用单目相机,依赖参照物进行真实体尺校正,且图像中大闸蟹背甲角度不固定容易导致目标检测精度低等问题,限制了其在实际养殖环境中的应用。针对上述问题,提出了一种基于旋转目标检测和双目视觉的大闸蟹质量估算方法。通过双目相机采集大闸蟹图像;构建基于SSP-YOLO v7(SK-SimCSPSPPF-ProbIoU-YOLO v7)的大闸蟹背甲旋转目标检测模型,在主干部分引入SK(Selective kernel)注意力机制,使用SimCSPSPPF(Simplified cross stage partial spatial pyramid pooling fast)优化空间金字塔池化,使用ProbIoU损失函数(Probabilistic intersection over union)计算旋转框回归损失,增强特征提取能力的同时减少计算量,有效提高了旋转目标检测精度;对大闸蟹双目图像进行三维重建,通过欧氏距离公式计算大闸蟹背甲体尺;最后构建基于粒子群算法优化的PSO-XGBoost(Particle swarm optimization-eXtreme gradient boosting)模型,实现不同性别大闸蟹质量估算。在自建数据集上进行测试,本文提出的背甲旋转目标检测模型mAP0.5为99.46%,模型参数量为7.321×10~6,浮点运算量为1.6684×1011,帧率为39 f/s;基于PSO-XGBoost的质量估算模型对于公蟹均方根误差为8.549 g,平均绝对误差为6.172 g,决定系数为0.946,对于母蟹均方根误差为6.902 g,平均绝对误差为5.175 g,决定系数为0.955。结果表明本文方法能够实现大闸蟹质量估算,为大闸蟹生长状况监测和智能化养殖提供技术支持。

关键词： 电力巡检   深度学习   YOLOv3   目标检测   注意力机制  

摘要： 为实现电力巡检过程的智能化,解决拍摄的巡检照片质量不高、分类准确率低的问题,本研究提出一种基于改进YOLOv3的电力巡检照片分类命名方法。该方法利用融合通道洗牌和通道注意力提高模型的特征表征能力,结合多层感知器神经网络与后处理模块完成最终的分类命名。实验结果表明,改进后的YOLOv3模型平均准确率优于原YOLOv3模型,平均精度均值由85.62%提高至94.73%;与现有的主流分类模型相比,能更好地处理拍摄质量差的巡检照片,提升电力巡检效率。

关键词： 多模态   非局部注意力   RGB-T   显著目标检测   特征融合  

摘要： RGB-热成像显著目标检测(RGB-T SOD)旨在分割可见光图像和相应热红外图像中的常见突出区域。针对现有方法中没有充分利用多模态间的跨层级互补信息的问题,提出了一种用于RGB-T SOD任务的跨层级特征注意力学习网络(CALNet)。具体来说,该网络中包含一个跨层级注意力学习模块(CAL),CAL使用非局部注意力对多模态间的跨层级信息进行交互,能够充分探索不同模态和不同层级间的全局位置与局部细节线索。此外,网络还引入了全局信息模块(GIM)与多交互模块(MIB),二者能够在逐层级解码中建模和挖掘多类型信息,以实现更精准的RGB-T SOD。在公共数据集RGB-T上进行的广泛实验表明,所提出的网络与领域内先进的算法相比,取得了优异的性能。

关键词： 滑坡   目标检测   遥感   YOLOv9   自动识别  

摘要： 滑坡灾害是最为严重的地质灾害之一,每年因滑坡灾害造成的财产损失与人员伤亡巨大,传统的基于影像人工排查工作量大、效率低。本文以永新县为研究区,首先基于高分辨率航空影像构建的207个滑坡样本,采用YOLOv 9目标检测算法构建滑坡识别模型,然后对模型精度进行评价,最后识别全县滑坡,并对识别的滑坡结果进行分析。结果表明,模型的精度为0.98,召回率为0.97,mAP为0.95;全县共识别滑坡312处(模型误判46处),经人工内业比对和外业调查验证,模型识别准确率为85.26%。研究表明,基于目标检测算法YOLOv9能有效识别南方地区滑坡,为大范围识别南方小规模滑坡提供了一种有效解决方法。

关键词： 计算机视觉   系统论   课程内容优化   多元化评价体系   人工智能教育  

摘要： 利用系统论的理论框架,以计算机视觉为具体案例,围绕全局性、动态性和层次性原则,提出构建从底层视觉特征到高层语义理解的综合知识体系和多元综合评价体系,阐述如何利用智能工具参与课程内容优化与评价体系动态调整,形成闭环反馈系统,以适应学生需求和教育环境的实时变化,推动人工智能与工科教育的深度融合。

关键词： 计算机视觉   工程管理   适用性  

摘要： 随着大数据与深度学习技术的快速发展,计算机视觉技术为建筑工程管理的智能化转型提供了重要支持,但其在算法精度、场景适应性及隐私安全等方面仍面临挑战。本文通过文献综述、案例分析与行业调研,系统评估了该技术在工程管理中的适用性。研究显示,计算机视觉技术在质量控制、安全管理及进度管理中已取得显著成效,但存在数据依赖性高、多模态融合不足及动态场景适应性弱等技术瓶颈。对从业者的调研表明,尽管从业人员对技术认知有限,但普遍认可其在安全监测、质量缺陷量化及设备效率分析中的潜力,而其主要应用障碍包括专业运维人员短缺、成本不合理及隐私问题。文章指出,计算机视觉技术在复杂场景与高精度需求中已展现适用性,但需突破动态环境适应、三维场景理解及隐私保护等难题。未来应聚焦模型自适应优化、多模态数据融合及与BIM、数字孪生等系统的深度集成,以推动建筑工程管理的智能化升级。通过技术迭代与行业协同,该技术有望为建筑行业的高效管理与可持续发展提供核心驱动力。